文档要能解析
扫描件、加密文档、图片型表格无法直接切分，需要先做文字识别与校对。怎么估算工作量？抽样二十份统计可解析比例，低于一半时先安排清洗，否则导入的是一堆无法引用、也无法溯源的文本，不如先清洗。
版本与重复先处理
同一制度存在多个版本、同一手册散落多处，是检索失真的主因。做法是按标题与生效日期去重，保留最新版并标注替代关系；边界是历史版本不要直接删除，应转为归档并对检索隐藏，避免误引与重复引用。
权限来源要清楚
文档可见范围通常来自组织架构与项目归属，若这两者没有系统化记录，权限只能按部门粗分。粗分不是错，但边界要写清：粒度与例外处理方式，避免上线后被要求做到人级隔离却无从下手，也不至于返工。
更新机制比导入重要
知识库的价值取决于最新版本能否及时入库。怎么更新？需要约定触发条件，如制度修订、产品变更、客诉新增，并指定责任岗位；没有触发机制时更新全靠临时提醒，三个月后内容开始失真，检索结果不再被信任。
适用与不适用
适合谁
- 文档分散在共享盘、邮件与个人电脑的企业
- 涉及客户资料、需要评估部署方式的项目
- 存在多版本制度、检索结果经常冲突的组织
不适合谁
- 文档量极少且几乎不更新的个人使用场景
- 拒绝做权限与脱敏评估、要求直接上公有云的项目
典型场景
某设计院想把规范、图集与项目复盘文档做成内部检索。抽样发现三成文件是扫描件，两份规范存在新旧版本，项目文档含客户名称。团队先做识别校对与去重，对客户信息脱敏，再选定内网部署，切分与评测在清洗完成后才开始。
可执行步骤
- 抽样统计文档格式、可解析比例与重复情况，估算清洗工时
- 按标题与生效日期去重，历史版本转为归档并对检索隐藏
- 梳理部门与项目归属，确定权限粒度以及例外的处理方式
- 约定更新触发条件与责任岗位，并完成数据分级与部署评估
常见坑
- 跳过可解析性评估，导入后大量文档无法检索，返工要重做切分与索引，工期被迫顺延，预算也跟着超。
- 新旧版本同时入库且不标注，答案引用已废止条款，业务按错的规范执行，纠正成本很高。
- 未做脱敏就上传客户资料，事后追溯与删除困难，合规责任仍由使用方承担，事后补救空间很小。
自检与验收清单
- 可解析文档的占比是否已抽样估算
- 重复与历史版本是否有明确处理规则
- 权限粒度与例外处理是否书面确认
- 更新触发条件与责任人是否明确到岗
常见问题
扫描件很多，必须先做识别吗？
要，但可以分批。先把高频使用的扫描件做识别与人工校对，其余保留原文件链接并提示查阅原件。识别结果必须有人校对，否则错误会以答案形式传播，比查不到更难纠正。
知识库一定要内网部署吗？
看内容。公开制度与产品资料用云端服务通常可行；含客户信息、合同条款或个人信息时，建议内网或专有实例，并在合同中约定数据不用于训练、可导出删除，并保留删除凭证。
权限只能按部门分，够用吗？
多数场景够用，但要写明例外：跨部门项目、临时借调、外部合作方。例外必须有审批与到期时间；若例外长期存在，说明权限模型需要细化，而不是靠个案处理，否则审计时无法解释。